http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
방사성 액체폐기물 내 코발트 제거를 위한 전기응집공법의 활용 가능성 평가
고명수(Myoung Soo Ko),김용태(Yong Tae Kim),김영광(Young Gwang Kim),김경웅(Kyoung Woong Kim) 대한자원환경지질학회 2018 자원환경지질 Vol.51 No.2
본 연구는 원자력 발전시설에서 발생하는 방사성 액체폐기물 내 코발트의 제거를 위해 전기응집공법의 적용 가능성을 확인하였다. 전기응집공법은 전기화학반응을 이용하여 폐액 내 오염물질을 제거하는 방법으로 기존의 화학처리와 막공정의 단점을 보완하는 새로운 기술이다. 원자력 발전시설에서는 냉각 배관의 세척과정에서 코발트를 포함한 방사성 액체폐기물이 발생한다. 용액 내 코발트의 농도를 1 mg/L와 10 mg/L로 조성하여 전기응집공법을 적용한 결과 약 10분 이내에 코발트가 완전히 제거되었다. 또한 500 mL의 코발트 용액을 처리하는 과정에서 0.2 g의 슬러지가 발생하여 폐기물의 부피감용에 매우 효과적인 것으로 나타났다. This study assessed an application of electrocoagulation (EC) for the removal of cobalt (Co) in radioactive liquid waste from nuclear power plant. The EC process is an electrochemical means to remove a contaminant in wastewater and a novel process to complement the disadvantage of chemical treatment and membrane process. Radioactive liquid waste has been produced from washing process of radio nuclide power plant cooling system. The EC process eliminates Co from the electrolyte within 10 min; in addition, the dewatered sludge produced in EC process is only 0.2 g. Therefore, the EC process is a promising technique for the removal of Co in radioactive liquid waste and volume reduction of wastes.
이병한 ( Byeong Han Lee ),진영민 ( Young Min Jin ),성덕경 ( Deok-gyeong Seong ),황연현 ( Yeon-hyeon Hwang ),김영광 ( Young-gwang Kim ),이종기 ( Jong-ki Lee ),박진영 ( Jin Young Park ) 한국농업기계학회 2023 한국농업기계학회 학술발표논문집 Vol.28 No.1
합성곱신경망(Convolutional Neural Network, CNN)은 이미지 분류와 같은 컴퓨터 비전 문제에서 효과적인 딥러닝 모델이다. 본 연구는 벼 품종별 이미지 분류를 위해 합성곱신경망을 활용하였다. 분류에 사용된 벼 품종은 영호진미, 영진, 아람, 새일미이며, 각 품종당 7 반복으로 총 28개 시험구를 조성하여 2022년 6월 7일에 이앙하였다. 벼의 생육이미지는 다중분광센서(Red-Edge MX)를 장착한 드론을 지상 20m에서 경로비행 하도록 설정하여 8월 18일에 수집하였으며, 지상표식을 기준으로 계산한 GSD(Ground Sample Distance)는 13.8mm였다. 합성곱신경망에 수집된 이미지를 입력하기 위해 시험구 조성 도면과 정사이미지(Orthographic images)를 대응시켜 36×36pixel2 크기로 관심영역(Region of Interests)을 추출하고, 이미지의 밝기를 0~1,023 사이의 값으로 정규화 한 뒤 오츠의 기법(Otsu’s method)을 사용하여 논의 토양 영역을 검은색(채널별 밝기값 : 0, 0, 0, 0, 0)으로 처리하였다. 최종적으로 사용된 데이터세트는 5채널(Red, Green, Blue, Red-Edge, NIR) 이미지 1,008장과 각 이미지에 대한 품종별 라벨로 구성하고 학습데이터와 시험데이터를 8:2로 나누었다. 합성곱신경망은 3개의 은닉층(Hidden layer)과 1개의 전결합층(Fully connected Layer)으로 구성하고 활성화 함수로는 렐루(relu)와 소프트맥스(softmax)를 사용하였다. 학습 시의 정확도는 100%이며 시험데이터로 8회 검증한 결과, 정확도의 평균값은 77.4%로 나타났다. 본 연구에서는 데이터세트를 효율적으로 제작하기 위하여 시험구 도면 정보를 기반으로 관심영역을 일괄적으로 추출하였다. 하지만 이로 인해, 관심영역이 아닌 곳에 재식된 벼의 일부가 관심영역에 포함되거나 포함되지 않은 경우가 혼재하여 시험 성능에 영향을 미친 것으로 추측된다. 향후 벼의 중심점을 기준으로 관심영역을 한정하여 데이터세트의 품질을 개선할 계획이다.